基于CBAM-YOLOv8 的温室番茄果实识别

  摘要：在农业自动化和精准农业的背景下，果实识别检测是智能收获系统中的重要环节。快速且准确地识别番茄果实大小、数量、位置等信息，对番茄生长状况实时监测、产量检测和提高采摘效率具有重要意义。然而，现有的基于深度学习的目标检测算法在番茄果实检测领域仍面临挑战，由于现实应用的需要，期待目标检测模型更加精确化和快速化，然而这两者难以同时兼顾，所以在实际应用中，根据应用需求来权衡这两者的关系。笔者提出一种基于YOLOv8 的番茄检测改进模型，将CBAM 注意力机制加入到YOLOv8 模型的特征提取环节。CBAM 体积小，可方便集成在任一CNN 架构中，有效抑制噪声和无关信息，动态调整特征图的权重，提升模型检测的精确率。经过试验，该模型的精确率、召回率、平均精度分别达到了91%、78%和90%，与SSD 相比，分别提升21、14 和15 个百分点；与Faster RCNN 相比，分别提升了13、11 和15 个百分点；与原始的YOLOv8 相比，分别提升了5、3 和7 个百分点。这说明了CBAM-YOLOv8 模型降低了误检率和漏检率。在预测时间方面，YOLOv8 的综合耗时最短。相比之下，CBAM-YOLOv8 模型所需的预测时间有所增加，推断速度更慢，从而增加了计算成本。因此，在实际应用中需要在精度与速度之间进行权衡。综上所述，CBAM-YOLOv8 模型为番茄果实精准、高效识别提供了一种有效的解决方案，将来可应用于番茄实时监测、计数和采摘中。